[发明专利]基于深度学习的多波长LED水下可见光通信调制方法

权利要求书

1.基于深度学习的多波长LED水下可见光通信调制方法，其特征在于，包括以下步骤：

S1：构建使用多个不同波长并基于深度学习自动编码器的通信系统，即构建MW-AAE系统；

S2：构建深度学习神经网络，并对神经网络进行训练；

S3：在发射机中通过神经网络进行调制，根据帧设计的结果将每一帧数据进行发送；

S4：接收机接收数据并进行帧同步操作，得到SNR估计器的输出；

S5：对SNR估计器的输出进行归一化处理后，对每个值进行均匀量化操作，输出噪声功率信息；

S6：接收机的神经网络根据SNR估计器输出的噪声功率信息为输入，解调得到发射机信息比特序列的估计；

S7：接收机的缓存器将当前的噪声功率信息用于下一帧的解调，并通过反馈信道将噪声功率信息反馈回发射机中，用于对下一帧的调制，直至所有帧完成调制发送、接收过程；

其中，在所述步骤S1中，对MW-AAE系统中的水下多波长VLC信道进行表示并完成帧设计，具体为：

由于水下VLC信道的时间色散小，因此当信号的符号速率不高时，忽略水下VLC信道的时间色散；同时，湍流效应可以建模为一个乘法湍流衰落系数，因此，假设不同波长的LED光信号在接收机可以通过光学滤镜完全隔离，则水下VLC信道表示为：

式中，k∈{1,...,N_LED}，N_LED表示LED的数量；r_k表示第k个光电检测器检测到的信号；s_k表示第k个LED的发射信号；表示第k路信号的湍流衰落系数，即从第k个LED到对应波长的第k个光学滤镜和光电检测器的湍流衰落系数；h_P,k表示第k路信号在水下VLC信道的路径损耗；h_O,k表示第k路接收机光学滤镜的效率；h_G,k表示第k路接收机光电检测器的光电转换因子；n_k表示第k个光电检测器的加性高斯白噪声；记第k路的光信号在真空中波长为λ_k，则h_P,k、h_O,k、h_G,k和n_k均与λ_k有关；

由于水下多波长VLC信道中有湍流效应引起的时变的衰落，因此需要对系统进行对应的帧设计，具体为：

设计帧头用于进行接收机的帧同步和信道、噪声功率的估计；另外，因为水下VLC信道的湍流衰落的相干时间通常在10^-5s到10^-2s之间，因此帧长应设置为小于5×10^-6s，即小于信道相干时间的一半；又因为噪声功率信息的反映的是信道和接收机噪声功率的特征，所以若假设噪声功率不变，则在两帧内几乎相同，因此通过设置发射机的缓存器和接收机的缓存器，使得输入接收机神经网络的与当前待解调的符号在发射机神经网络调制时所使用的是相同的，并始终与当前实际的信道特征一致；

其中：所述步骤S2具体为：

构建深度学习神经网络，其中输入为发射机信息比特序列b和噪声功率信息发射机部分的输出为每个N_LED维符号s′，接收机部分的输入为r′和神经网络的输出为发射机信息比特序列b的估计其中，发射机和接收机部分的中间层数是可以改变的；

接着设计神经网络的损失函数对神经网络进行训练，由于设计的发射机部分神经网络输出s′必须满足下列条件：

条件一：s′_k≥0,

条件二：对所有可能的

其中，P′_O,T表示发射机的平均光功率，输出表示输入为时s′的星座图中的符号构成的集合；因此，设计损失函数对s′进行约束，对于每一个样本数为J的minibatch，具体表示为：

其中，第一项表示样本平均的二元交叉熵，是比特解调误差所带来的损失；第二项代表的是s′不满足条件一的程度所带来的损失；第三项代表的是s′不满足条件二的程度所带来的损失；ζ₁,ζ₂,ζ₃∈R⁺是三个系数，用于调节三个损失在训练过程中的相对重要性；

最后，根据损失函数对神经网络进行训练；其中，损失函数对训练数据有顺序要求，即训练数据从第1个样本开始每个样本才改变一次，并且这个样本遍历所有可能的比特序列，即其中每个样本的b⁽ⁱ⁾都不相同；上述对训练数据的要求由下列公式表示：

另外，为了训练时网络的学习能兼顾样本中不同的须使每个不同的所对应样本的平均二元交叉熵大小相似，因此为不同的样本所对应的噪声n′⁽ⁱ⁾设置不同的标准差也即设置不同的噪声功率；若都使用同样的噪声功率进行训练，则具有不同的样本对应的接收SNR差别很大，因此平均二元交叉熵的差别也比较大；而且，元素大小相差较大的意味着各个波长对应的信道衰减相差较大，信道的自由度减少了，所以通常需要较大的接收SNR才能达到与信道衰减相差不大的样本相似的BER性能，也即相似的平均二元交叉熵；因此，要想使得每个样本的平均二元交叉熵大小相似，必须根据来对不同样本使用不同的噪声功率；

通过以上操作过程，即可完成所述步骤S2。